論文の概要: When Do Discourse Markers Affect Computational Sentence Understanding?

• arxiv url: http://arxiv.org/abs/2309.00368v1
• Date: Fri, 1 Sep 2023 09:54:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 13:51:24.328772
• Title: When Do Discourse Markers Affect Computational Sentence Understanding?
• Title（参考訳）: 談話マーカは計算文理解に影響を及ぼすか?
• Authors: Ruiqi Li, Liesbeth Allein, Damien Sileo, Marie-Francine Moens
• Abstract要約: 本章では,自動文処理システムの背後にある主要なメカニズムを紹介する。 我々は、文脈と言語理解タスクが接続的理解に与える影響を分析する。 その結果、NLPシステムは全ての談話接続を等しく処理しないことがわかった。
• 参考スコア（独自算出の注目度）: 26.4819951846943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The capabilities and use cases of automatic natural language processing (NLP) have grown significantly over the last few years. While much work has been devoted to understanding how humans deal with discourse connectives, this phenomenon is understudied in computational systems. Therefore, it is important to put NLP models under the microscope and examine whether they can adequately comprehend, process, and reason within the complexity of natural language. In this chapter, we introduce the main mechanisms behind automatic sentence processing systems step by step and then focus on evaluating discourse connective processing. We assess nine popular systems in their ability to understand English discourse connectives and analyze how context and language understanding tasks affect their connective comprehension. The results show that NLP systems do not process all discourse connectives equally well and that the computational processing complexity of different connective kinds is not always consistently in line with the presumed complexity order found in human processing. In addition, while humans are more inclined to be influenced during the reading procedure but not necessarily in the final comprehension performance, discourse connectives have a significant impact on the final accuracy of NLP systems. The richer knowledge of connectives a system learns, the more negative effect inappropriate connectives have on it. This suggests that the correct explicitation of discourse connectives is important for computational natural language processing.
• Abstract（参考訳）: 自動自然言語処理(NLP)の能力とユースケースは,ここ数年で大きく成長している。 人間が会話の接続をどう扱うかを理解するために多くの研究がなされてきたが、この現象は計算システムで実証されている。 したがって、顕微鏡下にNLPモデルを配置し、自然言語の複雑さの中で適切に理解し、処理し、理性を検証することが重要である。 本章では,自動文処理システムの背後にある主なメカニズムを段階的に紹介し,談話接続処理の評価に焦点を当てる。 英語の談話接続を理解できる9つの人気システムを評価し,文脈や言語理解タスクが接続理解に与える影響を分析する。 その結果、nlpシステムは全ての会話接続を等しく処理せず、異なる連結種の計算処理の複雑さは、人間の処理で見られる推定複雑性順序と常に一致しているとは限らない。 また、読解過程において人間は影響を受けやすいが、必ずしも最終理解性能には影響しないが、談話接続はNLPシステムの最終的な精度に大きな影響を及ぼす。 システムが学習するコネクティブのより豊富な知識は、不適切なコネクティブがそれに対して負の効果を持つ。 このことは,自然言語処理において,言論接続の正しい明示が重要であることを示唆する。

関連論文リスト

• A Quantum-Inspired Analysis of Human Disambiguation Processes [0.0]
  この論文では、基礎量子力学から生じる形式主義を言語学から生じるあいまいさの研究に適用する。 その後、人間の行動予測や現在のNLP法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2024-08-14T09:21:23Z)
• Can LLMs Understand the Implication of Emphasized Sentences in Dialogue? [64.72966061510375]
  強調は人間のコミュニケーションにおいて重要な要素であり、対話における純粋テキストを超えて話者の意図と含意を示す。 本稿では,強調の意味を抽出した強調注釈付き対話サンプルを用いたベンチマークであるEmphasized-Talkを紹介する。 オープンソースと商用の両方で様々な大規模言語モデル(LLM)を評価し,その性能を重要視して評価する。
  論文  参考訳（メタデータ） (2024-06-16T20:41:44Z)
• Computational Sentence-level Metrics Predicting Human Sentence Comprehension [27.152245569974678]
  本研究では,多言語大言語モデルを用いた文レベルメトリクスの計算手法を提案する。 文素因性および文関連性を測定し,言語全体にわたって人間が文章をどう理解するかを予測できるかどうかを検証した。
  論文  参考訳（メタデータ） (2024-03-23T12:19:49Z)
• Identifying Semantic Induction Heads to Understand In-Context Learning [103.00463655766066]
  自然言語に存在するトークン間の2種類の関係を,注目ヘッドが符号化するかどうかを検討する。 特定の注意ヘッドは、ヘッドトークンに出席する際、テールトークンをリコールし、テールトークンの出力ロジットを増加させるパターンを示す。
  論文  参考訳（メタデータ） (2024-02-20T14:43:39Z)
• Performance Prediction of Data-Driven Knowledge summarization of High Entropy Alloys (HEAs) literature implementing Natural Language Processing algorithms [0.0]
  自然言語処理(NLP)の目標は、マシンインテリジェンスに人間の脳と同じように言葉を処理させることだ。 Geneism, Sumy, Luhn, Latent Semantic Analysis (LSA), Kull-back-Liebler (KL) al-gorithmの5つのNLPアルゴリズムが実装されている。 Luhnアルゴリズムは、他の使われているアルゴリズムと比較して知識要約タスクの精度が最も高い。
  論文  参考訳（メタデータ） (2023-11-06T16:22:32Z)
• Explaining Interactions Between Text Spans [50.70253702800355]
  入力の異なる部分からのトークンのスパンに対する推論は、自然言語理解に不可欠である。 NLUタスク2つのタスク(NLIとFC)に対する人間間相互作用の説明データセットであるSpanExを紹介する。 次に,複数の微調整された大言語モデルの決定過程を,スパン間の相互接続の観点から検討する。
  論文  参考訳（メタデータ） (2023-10-20T13:52:37Z)
• A Linguistic Investigation of Machine Learning based Contradiction Detection Models: An Empirical Analysis and Future Perspectives [0.34998703934432673]
  本稿では,2つの自然言語推論データセットについて,その言語的特徴について分析する。 目標は、特に機械学習モデルを理解するのが難しい、構文的および意味的特性を特定することである。
  論文  参考訳（メタデータ） (2022-10-19T10:06:03Z)
• Survey on reinforcement learning for language processing [17.738843098424816]
  本稿では,自然言語処理の諸問題に対する強化学習手法の現状について概説する。 問題の詳細な説明とRLがそれらを解決するのに適している理由の議論を提供します。 強化学習の恩恵を受ける自然言語処理における有望な研究方向について詳述する。
  論文  参考訳（メタデータ） (2021-04-12T15:33:11Z)
• My Teacher Thinks The World Is Flat! Interpreting Automatic Essay Scoring Mechanism [71.34160809068996]
  最近の研究では、自動スコアリングシステムが常識的な敵対的サンプルになりやすいことが示されています。 近年の解釈能力の進歩を活かし,コヒーレンスやコンテント,関連性といった特徴がスコアリングの自動化にどの程度重要であるかを見出す。 また、モデルが意味的に世界知識や常識に基づかないことから、世界のような虚偽の事実を追加することは、それを減らすよりもむしろスコアを増加させる。
  論文  参考訳（メタデータ） (2020-12-27T06:19:20Z)
• Learning Adaptive Language Interfaces through Decomposition [89.21937539950966]
  本稿では,分解による新しいハイレベルな抽象化を学習するニューラルセマンティック解析システムを提案する。 ユーザは、新しい振る舞いを記述する高レベルな発話を低レベルなステップに分解することで、対話的にシステムを教える。
  論文  参考訳（メタデータ） (2020-10-11T08:27:07Z)
• Semantics-Aware Inferential Network for Natural Language Understanding [79.70497178043368]
  このようなモチベーションを満たすために,セマンティックス対応推論ネットワーク(SAIN)を提案する。 SAINの推論モジュールは、明示的な文脈的セマンティクスを補完的な入力として、セマンティクス上の一連の推論ステップを可能にする。 本モデルでは,機械読解や自然言語推論など11タスクの大幅な改善を実現している。
  論文  参考訳（メタデータ） (2020-04-28T07:24:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。